LeHami：用于世界模型的辛潜在动力学

基于摘要分析。该研究针对 Joint-embedding predictive architectures（JEPAs）中无约束自回归预测器在长时滚动时可能导致潜在分布收缩的问题，提出 Symplectic Hamiltonian JEPA（LeHami），以具有辛结构的潜在动力学替代标准预测器。主要研究对象是视觉摆环境中的世界模型，而非 EEG 或 BCI。 机制上，LeHami 将潜在状态组织为位置样分量 q 与动量样分量 p，使用动作条件化的 Hamiltonian 流，并通过严格保辛的 leapfrog 步进行积分。动量样分量来自所学习位置样表征的时间导数，从而形成用于预测与控制的显式二阶状态。作者指出，该构造在每个滚动步保持相空间体积，并在不依赖学习参数或动作序列的条件下排除均匀收缩、渐近稳定不动点及不同潜在状态的合并。这些性质约束的是潜在动力学几何结构，不直接保证表征质量或真实系统预测误差。 作者报告，在保守及受驱动的视觉摆环境中，相较无约束 JEPA 世界模型，LeHami 改善了长时域速度预测，并在基线潜在体积发生收缩时维持近似恒定的潜在体积；作者还报告其支持未见过的子帧步长积分与数值时间反演。摘要未提供具体误差、数据规模、划分及训练配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将其用于 EEG 潜在动态预测，可检验的假设是保辛约束能缓解多步预测中的表征收缩；可复用部分是结构化状态和保辛积分器，需要改造的是 EEG 编码、时间导数估计及动作条件的定义。EEG 的低信噪比、通道差异、小数据及跨被试变化可能使导数估计不稳，而耗散、随机驱动的神经活动也未必适合体积保持约束。小规模检验可在固定被试内划分和相同编码器条件下，对照无约束 JEPA，分别测量多步预测误差与潜在体积变化，判断几何保持是否伴随预测收益。已有 EEG 相关工作尚未检索确认。